- Machine Learning›
- Amazon SageMaker AI›
- Precios
Precios de Amazon SageMaker AI
Información general sobre precios
Amazon SageMaker AI ayuda a los científicos de datos y a los desarrolladores a preparar, crear, entrenar e implementar con rapidez modelos de machine learning (ML) de alta calidad al poner a disposición un amplio conjunto de capacidades especialmente creadas para ML. SageMaker AI admite los principales marcos, kits de herramientas y lenguajes de programación de ML.
Con SageMaker AI, solo paga por lo que usa. Tiene dos opciones para pagar: los precios bajo demanda que no ofrecen tarifas mínimas ni compromisos iniciales y Amazon SageMaker Savings Plans, que ofrece un modelo de precios flexible, basado en el uso, a cambio de comprometerse a una cantidad constante de uso.
Nivel gratuito de IA SageMaker
Probar la IA SageMaker es gratis. Puede empezar a usar SageMaker AI de forma gratuita. El nivel gratuito de la IA SageMaker comienza el primer mes, al crear el primer recurso de IA SageMaker.
| Capacidad de Amazon SageMaker AI | Uso del nivel gratuito al mes durante los dos primeros meses |
| Cuadernos de Studio e instancias de cuaderno | 250 horas de la instancia ml.t3.medium en los cuadernos de Studio o 250 horas de la instancia ml.t3.medium en instancias de cuaderno |
Calculadora de precios de AWS
Calcule el costo de Amazon SageMaker y el de su arquitectura en una sola cotización.
Precios bajo demanda
-
JupyterLab
-
Procesamiento
-
Formación
-
Inferencia en tiempo real
-
JupyterLab
-
Amazon SageMaker JupyterLab
Inicie JupyterLab totalmente gestionado en cuestión de segundos. Utilice el entorno de desarrollo interactivo basado en la web más reciente para cuadernos, código y datos. Se cobra en función del tipo de instancia que elija, con base en la duración del uso. -
Procesamiento
-
Procesamiento de Amazon SageMaker
El procesamiento mediante Amazon SageMaker permite ejecutar fácilmente las cargas de trabajo previas al procesamiento, posteriores al procesamiento y de evaluación del modelo en una infraestructura completamente administrada. Se cobra en función del tipo de instancia que elija, con base en la duración del uso.
-
Formación
-
Entrenamiento mediante Amazon SageMaker
Amazon SageMaker facilita el entrenamiento de modelos de machine learning (ML), ya que proporciona todo lo que se necesita para entrenar, ajustar y depurar modelos. Se cobra por el uso del tipo de instancia que elija. Al utilizar Amazon SageMaker Debugger para depurar problemas y monitorear recursos durante el entrenamiento, puede usar reglas integradas para depurar los trabajos de entrenamiento, o bien puede escribir sus propias personalizadas. No se aplican cargos al uso de reglas integradas para depurar los trabajos de entrenamiento. Con respecto a las reglas personalizadas, se cobra en función del tipo de instancia que elija, con base en la duración del uso.
-
Inferencia en tiempo real
-
Alojamiento de Amazon SageMaker: inferencia en tiempo real
Amazon SageMaker proporciona inferencia en tiempo real para sus casos de uso que necesitan predicciones en tiempo real. Se cobra por el uso del tipo de instancia que elija. Al utilizar Amazon SageMaker Model Monitor para mantener modelos con un alto nivel de precisión que proporcionan inferencia en tiempo real, puede utilizar reglas integradas para monitorear los modelos, o bien puede escribir sus propias reglas personalizadas. Para las reglas integradas, obtiene hasta 30 horas de monitoreo sin cargos. Se aplican cargos adicionales con base en la duración del uso. Se cobra por separado si utiliza sus propias reglas personalizadas.
Detalles de la instancia
Detalles del producto de la instancia P6 de Amazon SageMaker
| Tamaño de la instancia | GPU Blackwell | Memoria de GPU (GB) | vCPU | Memoria del sistema (GiB) | Almacenamiento de la instancia (TB) | Ancho de banda de la red (Gbps) | Ancho de banda de EBS (Gbps) | Disponible en UltraServers |
| ml.p6-b200.48xlarge | 8 | 1440 HBM3e | 192 | 2048 | 8 x 3,84 | 8 x 400 | 100 | No |
ml.p6e- gb200.36xlarge |
4 | 740 HBM3e | 144 | 960 | 3 x 7,5 | 4 x 400 | 60 | Sí |
*Las instancias P6e-GB200 solo están disponibles en UltraServers
Detalles de Amazon SageMaker UltraServer
Los UltraServers ofrecen un conjunto de instancias interconectadas a través de un dominio de red de gran ancho de banda. Por ejemplo, el P6e-GB200 UltraServer conecta hasta 18 instancias p6e-gb200.36xlarge en un dominio NVIDIA NVLink. Con 4 GPU NVIDIA Blackwell por instancia, cada P6e-GB200 UltraServer admite 72 GPU, lo que le permite ejecutar sus mayores cargas de trabajo de IA con un alto rendimiento en SageMaker.
| Tamaño de la instancia | GPU Blackwell | Memoria de GPU (GB) | vCPU | Memoria del sistema (GiB) | Almacenamiento de UltraServer (TB) | Ancho de banda EFA agregado (Gbps) | Ancho de banda de EBS (Gbps) | Disponible en UltraServers |
| ml.u-p6e-gb200x72 | 72 | 13 320 | 2529 | 17 280 | 405 | 28 800 | 1080 | Sí |
| ml.u-p6e-gb200x36 | 36 | 66 60 | 1296 | 8640 | 202,5 | 14 400 | 540 | Sí |
Detalles del producto de la instancia P5 de Amazon SageMaker
| Tamaño de la instancia | vCPU | Memoria de la instancia (TiB) | Modelo de GPU | GPU | Memoria total de la GPU (GB) | Memoria por GPU (GB) | Ancho de banda de la red (Gbps) | GPUDirect RDMA | GPU de pares | Almacenamiento de la instancia (TB) | Ancho de banda de EBS (Gbps) |
| ml.p5.48xlarge | 192 | 2 | NVIDIA H100 | 8 | 640 HBM3 | 80 | 3200 EFAv2 | Sí | 900 GB/s NVSwitch | 8 x 3,84 NVMe SSD | 80 |
Detalles del producto de la instancia Amazon SageMaker P4d
| Tamaño de la instancia | vCPU | Memoria de la instancia (GiB) | Modelo de GPU | GPU | Memoria total de la GPU (GB) | Memoria por GPU (GB) | Ancho de banda de la red (Gbps) | GPUDirect RDMA | GPU de pares | Almacenamiento de instancia (GB) | Ancho de banda de EBS (Gbps) |
| ml.p4d.24xlarge | 96 | 1152 | NVIDIA A100 | 8 | 320 HBM 2 | 40 | 400 ENA y EFA | Sí | 600 GB/s NVSwitch | 8 x 1000 NVMe SSD | 19 |
| ml.p4de.24xlarge | 96 | 1152 | NVIDIA A100 | 8 | 640 HNM2e | 80 | 400 ENA y EFA | Sí | 600 GB/s NVSwitch | 8 x 1000 NVMe SSD | 19 |
Detalles del producto de la instancia P3 de Amazon SageMaker
| Tamaño de la instancia | vCPU | Memoria de la instancia (GiB) | Modelo de GPU | GPU | Memoria total de la GPU (GB) | Memoria por GPU (GB) | Ancho de banda de la red (Gbps) | GPU de pares | Almacenamiento de instancia (GB) | Ancho de banda de EBS (Gbps) |
| ml.p3.2xlarge | 8 | 61 | NVIDIA V100 | 1 | 16 | 16 | Hasta 10 | N/D | Solo EBS | 1,5 |
| ml.p3.8xlarge | 32 | 244 | NVIDIA V100 | 4 | 64 | 16 | 10 | NVLink | Solo EBS | 7 |
| ml.p3.16xlarge | 64 | 488 | NVIDIA V100 | 8 | 128 | 16 | 25 | NVLink | Solo EBS | 14 |
| ml.p3dn.24xlarge | 96 | 768 | NVIDIA V100 | 8 | 256 | 32 | 100 | NVLink | 2 x 900 NVMeSSD | 19 |
Detalles del producto de la instancia G4 de Amazon SageMaker
| Tamaño de la instancia | vCPU | Memoria de la instancia (GiB) | Modelo de GPU | GPU | Memoria total de la GPU (GB) | Memoria por GPU (GB) | Ancho de banda de la red (Gbps) | Almacenamiento de instancia (GB) | Ancho de banda de EBS (Gbps) |
| ml.g4dn.xlarge | 4 | 16 | NVIDIA T4 | 1 | 16 | 16 | Hasta 25 | 1 x 125 SSD NVMe | Hasta 3,5 |
| ml.g4dn.2xlarge | 8 | 32 | NVIDIA T4 | 1 | 16 | 16 | Hasta 25 | 1 x 125 SSD NVMe | Hasta 3,5 |
| ml.g4dn.4xlarge | 16 | 64 | NVIDIA T4 | 1 | 16 | 16 | Hasta 25 | 1 x 125 SSD NVMe | 4,75 |
| ml.g4dn.8xlarge | 32 | 128 | NVIDIA T4 | 1 | 16 | 16 | 50 | 1 x 900 SSD NVMe | 9,5 |
| ml.g4dn.16xlarge | 64 | 256 | NVIDIA T4 | 1 | 16 | 16 | 50 | 1 x 900 SSD NVMe | 9,5 |
| ml.g4dn.12xlarge | 48 | 192 | NVIDIA T4 | 4 | 64 | 16 | 50 | 1 x 900 SSD NVMe | 9,5 |
Detalles del producto de la instancia G5 de Amazon SageMaker
| Tamaño de la instancia | vCPU | Memoria de la instancia (GiB) | Modelo de GPU | GPU | Memoria total de la GPU (GB) | Memoria por GPU (GB) | Ancho de banda de la red (Gbps) | Ancho de banda de EBS (Gbps) | Almacenamiento de instancia (GB) |
| ml.g5n.xlarge | 4 | 16 | NVIDIA A10G | 1 | 24 | 24 | Hasta 10 | Hasta 3,5 | 1 x 250 |
| ml.g5.2xlarge | 8 | 32 | NVIDIA A10G | 1 | 24 | 24 | Hasta 10 | Hasta 3,5 | 1 x 450 |
| ml.g5.4xlarge | 16 | 64 | NVIDIA A10G | 1 | 24 | 24 | Hasta 25 | 8 | 1 x 600 |
| ml.g5.8xlarge | 32 | 128 | NVIDIA A10G | 1 | 24 | 24 | 25 | 16 | 1 x 900 |
| ml.g5.16xlarge | 64 | 256 | NVIDIA A10G | 1 | 24 | 24 | 25 | 16 | 1 x 1900 |
| ml.g5.12xlarge | 48 | 192 | NVIDIA A10G | 4 | 96 | 24 | 40 | 16 | 1 x 3800 |
| ml.g5.24xlarge | 96 | 384 | NVIDIA A10G | 4 | 96 | 24 | 50 | 19 | 1 x 3800 |
| ml.g5.48xlarge | 192 | 768 | NVIDIA A10G | 8 | 192 | 24 | 100 | 19 | 2 x 3800 |
Detalles del producto de la instancia Trn1 de Amazon SageMaker
| Tamaño de la instancia | vCPU | Memoria (GiB) | Aceleradores Trainium | Memoria de acelerador total (GB) | Memoria por acelerador (GB) | Almacenamiento de instancia (GB) | Ancho de banda de la red (Gbps) | Ancho de banda de EBS (Gbps) |
| ml.trn1.2xlarge | 8 | 32 | 1 | 32 | 32 | 1 x 500 SSD NVMe | Hasta 12,5 | Hasta 20 |
| ml.trn1.32xlarge | 128 | 512 | 16 | 512 | 32 | 4 x 2000 SSD NVMe | 800 | 80 |
Detalles del producto de la instancia Inf1 de Amazon SageMaker
| Tamaño de la instancia | vCPU | Memoria (GiB) | Aceleradores de Inferentia | Memoria de acelerador total (GB) | Memoria por acelerador (GB) | Almacenamiento de la instancia | Interconexión entre aceleradores | Ancho de banda de la red (Gbps) | Ancho de banda de EBS (Gbps) |
| ml.inf1.xlarge | 4 | 8 | 1 | 8 | 8 | Solo EBS | N/D | Hasta 25 | Hasta 4,75 |
| ml.inf1.2xlarge | 8 | 16 | 1 | 8 | 8 | Solo EBS | N/D | Hasta 25 | Hasta 4,75 |
| ml.inf1.6xlarge | 24 | 48 | 4 | 32 | 8 | Solo EBS | Sí | 25 | 4,75 |
| ml.inf1.24xlarge | 96 | 192 | 16 | 128 | 8 | Solo EBS | Sí | 100 | 19 |
Detalles del producto de la instancia Inf2 de Amazon SageMaker
| Tamaño de la instancia | vCPU | Memoria (GiB) | Aceleradores de Inferentia | Memoria de acelerador total (GB) | Memoria por acelerador (GB) | Almacenamiento de la instancia | Interconexión entre aceleradores | Ancho de banda de la red (Gbps) | Ancho de banda de EBS (Gbps) |
| ml.inf2.xlarge | 4 | 16 | 1 | 32 | 32 | Solo EBS | N/D | Hasta 25 | Hasta 10 |
| ml.inf2.8xlarge | 32 | 128 | 1 | 32 | 32 | Solo EBS | N/D | Hasta 25 | 10 |
| ml.inf2.24xlarge | 96 | 384 | 6 | 196 | 32 | Solo EBS | Sí | 50 | 30 |
| ml.inf2.48xlarge | 192 | 768 | 12 | 384 | 32 | Solo EBS | Sí | 100 | 60 |
Amazon SageMaker Studio
Amazon SageMaker Studio es una interfaz web única para el desarrollo completo de machine learning, que ofrece una selección de entornos de desarrollo integrados (IDE) totalmente administrados y herramientas diseñadas específicamente. Puede acceder a SageMaker Studio de forma gratuita. Solo se le cobrará por el procesamiento y el almacenamiento subyacentes que utilice para los diferentes IDE y herramientas de machine learning de SageMaker Studio.
Puede usar muchos servicios de SageMaker Studio, AWS SDK para Python (Boto3) o la interfaz de la línea de comandos de AWS (AWS CLI), incluidos los siguientes:
- Entornos de desarrollo en SageMaker Studio para realizar un desarrollo completo de machine learning con un amplio conjunto de IDE totalmente gestionados, incluidos JupyterLab, un editor de código basado en Code-OSS (Visual Studio Code, código abierto) y RStudio
- SageMaker Pipelines para automatizar y administrar los flujos de trabajo de ML
- SageMaker Autopilot para crear de forma automática modelos de ML con visibilidad completa
- SageMaker Experiments para organizar los trabajos de entrenamiento y las versiones, y hacer un seguimiento de estos
- SageMaker Debugger para depurar anomalías durante la formación
- SageMaker Model Monitor para mantener modelos de alta calidad
- SageMaker Clarify para explicar mejor los modelos de ML y detectar sesgos
- SageMaker JumpStart para implementar de manera fácil soluciones de ML para muchos casos de uso. Es posible que incurra en cargos de otros servicios de AWS utilizados en la solución por las llamadas a la API subyacentes realizadas por Amazon SageMaker en su nombre.
- Recomendador de inferencias de SageMaker para obtener recomendaciones para la configuración adecuada de los puntos de conexión
Solo paga por los recursos subyacentes de almacenamiento y computación dentro de SageMaker u otros servicios de AWS, en función del uso.
Para utilizar el nivel gratuito de Amazon Q Developer en Jupyter Lab y en el editor de código, siga las instrucciones que se encuentran aquí. Para utilizar Amazon Q Developer Pro en JupyterLab, debe suscribirse a Amazon Q Developer. Los precios de Amazon Q Developer se encuentran disponibles aquí.
Costo total de propiedad con Amazon SageMaker
Amazon SageMaker ofrece un costo total de propiedad por lo menos 54 % más bajo en un periodo de 3 años en comparación con otras soluciones autoadministradas basadas en la nube. Obtenga más información en el análisis completo del TCO correspondiente a Amazon SageMaker.
Ejemplos de precios
-
Ejemplo de precios N.° 1: JupyterLab
Como científico de datos, dedica 20 días a usar JupyterLab para experimentar rápidamente con cuadernos, código y datos durante 6 horas al día en una instancia ml.g4dn.xlarge. Crea y luego ejecuta un espacio de JupyterLab para acceder al IDE de JupyterLab. La computación solo se cobra por la instancia utilizada cuando se ejecuta el espacio de JupyterLab. Los gastos de almacenamiento de un espacio de JupyterLab se acumulan hasta que se elimina.Computación
Instancia Duración Días Duración total Costo por hora Total ml.r6i.4xlarge 6 horas 20 6 * 20 = 120 horas 1,440 EUR 172,80 EUR Almacenamiento
Utilizará el almacenamiento SSD de uso general durante 480 horas (24 horas* 20 días). En una región que cobra 0,1211 EUR por GB al mes:
0,1211 EUR por GB-mes * 5 GB * 480/(24 horas/día * 30 días al mes) = 0,4037 EUR
-
Ejemplo de precios N.° 2: procesamiento
Con el procesamiento de Amazon SageMaker, solo se cobran las instancias utilizadas mientras los trabajos están en marcha. Cuando proporciona los datos entrantes para su procesamiento en Amazon S3, Amazon SageMaker descarga los datos desde Amazon S3 al almacenamiento de archivos local al comienzo de un trabajo de procesamiento.
El analista de datos pone en marcha un trabajo de procesamiento para preprocesar y validar los datos en dos instancias ml.m5.4xlarge para la duración de un trabajo de 10 minutos. Carga un conjunto de datos de 100 GB en S3 como entrada para el trabajo de procesamiento. Los datos de salida, que suelen tener el mismo tamaño, se almacenan nuevamente en S3.
Horas Instancias de procesamiento Costo por hora Total 1 * 2 *0,167 = 0,334 ml.c6i.2xlarge 0,459481 EUR 0,150460 EUR Almacenamiento (SSD) de uso general (GB) Costo por hora Total 100 GB * 2 = 200 0,14 EUR 0,0032 EUR El subtotal correspondiente al trabajo de procesamiento de Amazon SageMaker = 0,15046 EUR.
Supongamos que el subtotal correspondiente a 200 GB de almacenamiento (SSD) de uso general = 0,0032 EUR.
El precio total de este ejemplo sería 0,15366 EUR
-
Ejemplo de precios N.° 3: entrenamiento
Los cargos totales por el entrenamiento y la depuración en este ejemplo son 24,077292 EUR. Las instancias de informática y los volúmenes de almacenamiento de uso general que utilizan las reglas integradas del depurador de Amazon SageMaker no generan cargos adicionales.
Almacenamiento (SSD) de uso general para entrenamiento (GB) Almacenamiento (SSD) de uso general para las reglas integradas del depurador (GB) Almacenamiento (SSD) de uso general para las reglas personalizadas del depurador (GB) Costo por GB al mes Subtotal Capacidad utilizada 3 2 1 Costo 0 EUR No se aplican cargos adicionales por los volúmenes de la regla integrada 0 EUR 0,10 EUR 0 EUR Horas Instancia de entrenamiento Instancia de depuración Costo por hora Subtotal 4 * 0,5 = 2,00 ml.c6i.2xlarge n/d 0,459481 EUR 0,91896 EUR 4 * 0,5 * 2 = 4 n/d No se aplican cargos adicionales por las instancias de la regla integrada 0 EUR 0 EUR 4 * 0,5 = 2 ML.c7i.48 x grande n/d 11,579165 EUR 23,1583 EUR ------- 24,07729 EUR Una científica de datos dedicó una semana a trabajar en un modelo para una nueva idea. Entrenó el modelo 4 veces en una ml.m4.4xlarge durante 30 minutos por ejecución de entrenamiento con el depurador de Amazon SageMaker habilitado con 2 reglas integradas y 1 regla personalizada que ella escribió. Para la regla personalizada, especificó la instancia ml.m5.xlarge. Entrena usando 3 GB de datos de entrenamiento en Amazon S3 y envía una salida modelo de 1 GB a Amazon S3. SageMaker crea volúmenes de SSD de uso general (gp2) para cada instancia de entrenamiento. SageMaker también crea volúmenes de SSD de uso general (gp2) para cada regla especificada. En este ejemplo, se creará un total de 4 volúmenes de SSD de uso general (gp2). El depurador de SageMaker emite 1 GB de datos depurados al bucket de Amazon S3 del cliente.